Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 5)

SG2(i)=Sg12(i)+Sg22(i)+Sg32(i);

SG1n(i)=Sg11(i)+Sg21(i)+Sg31(i)+Sgn(i);

SG2n(i)=Sg12(i)+Sg22(i)+Sg32(i)+Sgn(i);

end

figure('Name','Noise')

plot(1:512,Sgn,'r-');

title('Noise');

fsamp = 256;

Wn = [0.3 0.65];

hh = fir1(60, Wn, 'stop','noscale');

freqz(hh, 1, 512, fsamp);

Y = fft(SG1n,512);

Pyy = Y.* conj(Y) / 512;

f = 200*(0:256)/512;

figure

plot(f,Pyy(1:257));

title('Frequency content of Sgn');

xlabel('frequency (Hz)');

fsg=filter(hh,100,Pyy);

figure

plot(f,fsg(1:257));

sgf=ifft(fsg);

sgf1=real(sgf);

sgon=sgolayfilt(SG1n,3,13);

subplot(3,1,3),

plot(sgon);

subplot(3,1,2),

plot(SG1n,'g-');

subplot(3,1,1),

plot(SG1,'g-');

figure

plot(1:512,SG1n,'r-')

hold on;

plot(1:512,SG2n-300,'g-')

title('EEG Signals+Noise');

legend('Signal 1','Signal 2');

figure

plot(1:512,SG1,'r-')

hold on;

plot(1:512,SG2-200,'g-')

title('EEG Signals+Noise');

legend('Signal 1','Signal 2');

Y1 = spec(SG1);

figure

title('Spectral analysis SG1');

plot(Y1,'b-');

Y2 = spec(SG2);

hold off;

figure

title('Spectral analysis SG2');

plot(Y2,'b-');

Y1 = spec(SG1n);

hold off;

figure

title('Spectral analysis SG1n');

plot(Y1,'b-')

Y2 = spec(SG2n);

hold off;

figure

title('Spectral analysis SG2n');

plot(Y2,'b-')

Z = convolve (SG1n, SG2n);

figure

title('Crosspectral');

plot(Z, 'b-');

Исходные сигналы двух каналов ЭЭГ:

Спектры сигналов:

Сигнал 1:

Сигнал 2:

К исходным сигналам добавляется аддитивный шум частотой 50Гц.

Тогда исходный сигнал будет выглядеть так:

Спектр сигнала с шумом 50Гц:

Для восстановления сигнала применим Полосно-пропускающий фильтр для подавления помех с частотой 50 Гц:

Исходный сигнал, сигнал с аддитивным шумом и отфильтрованный сигнал:

Спектр отфильтрованного сигнала:

9.Выводы.

Широкое использование методов исследования ВП мозга в клинической практике в настоящее время обусловлено лучшим пониманием природы регистрируемых ответов ВП и возрастающей технической оснащенностью клиник современным оборудованием. Вызванные потенциалы позволяют получить объективные характеристики функционального состояния структур мозга, которые не могут быть получены другими методами.

Наиболее информативным методом анализа ЭЭГ является спектральный анализ, поскольку он несет информацию о частотах сигнала ЭЭГ.

10. Список используемой литературы.

1. Банникова И.Б. Опыт применения компьютерного комплекса для автоматизированного анализа электроэнцефалограмм в диагностике объемных церебральных процессов // Проблемы неврологии и нейрохирургии: Сборник научных трудов, посвященный 60-летию кафедры нервных болезней / Под ред. члена-корр. РАМН проф. Е.М.Бурцева. – Иваново, 1994. – С. 92-93.

2. Бредикис Ю.Ю. Очерки клинической электроники. – М.: Медицина, 1974. – С. 33-36.

3. Гнездицкий В.В. Математическое моделирование патологической электрической активности головного мозга // Проблемы неврологии и нейрохирургии. – Иваново, 1994. – С. 102-104.

4. Жирмунская Е.А. Клиническая электроэнцефалография (цифры, гистограммы, иллюстрации). – 1993.

5. Зенков Л.Р. Компьютерные методы обработки в клинической электроэнцефалографии (обзор) // Журн. невропатол. и психиатр. – 1990. – №12. – С. 105-109.

6. Зенков Л.Р. Клиническая электроэнцефалография (с элементами эпилептологии). –Таганрог: Издательство ТРТУ, 1996.

7. Иванов Л.Б. Прикладная компьютерная электроэнцефалография. – М.: НМФ МБН,2000.

8. Кутин В.А. с соавт. Компьютерная обработка электроэнцефалограмм в клинике нервных болезней // Материалы научно-практической конференции, посвященной 130-летию Ивановской областной клинической больницы. – Иваново, 1991. – Часть 3. – С. 124-126.

9. Поворинский А.Г. с соавт. Алгоритм описания ЭЭГ для использования в клинической практике и экспертизе трудоспособности // Журн. невропатол. и психиатр. – 1981. – №8.

10. Прайор П.Ф. Мониторный контроль функций головного мозга: Перевод с англ. – М.:Медицина, 1982.

11. Шубин А.Б. с соавт. Компьютерный комплекс “Нейрон-Cпектр” для автоматизированного анализа электроэнцефалограмм: Информационный листок. – Иваново: ЦНТИ, 1992.

12. Бетелева Т.Г., Дубровинская Н.В., Фарбер Д.А. Сенсорные механизмы развивающегося мозга. М., Наука, 1977. 175 с.

13. Haxby J.V., Hoffman E.A., Gobbini M.I. The distributed human neural system for face perception. Trends Cogn Sci., 2000, 4: 223-233.

14. Hoffmann R. Developmental changes in human infant visual evoked potentials to patterned stimuli recorded at different scalp locations. Child Develop., 1978, 49: 110-118.

15. Mishkin, M., Ungerleider, L.G., Macko, K.A. Object Vision and Spatial Vision: Two Cortical Pathways. Trends in Neuroscience, 1983, 6: 414-417.

1 Начало ответа — время до первого значимого компонента.

48

Характеристики

Список файлов курсовой работы